HCAF-DTA：基于交叉注意力融合超图神经网络的药物-靶标结合亲和力预测
生物大分子
2025-04-04 v1 人工智能
机器学习
摘要
准确预测药物与靶标蛋白之间的结合亲和力是计算机辅助药物设计的核心任务。现有的深度学习方法往往忽略药物分子内部子结构特征和药物-靶标相互作用的信息，导致预测性能受限。在本文中，我们提出了一种基于交叉注意力融合超图神经网络的药物-靶标关联预测模型 HCAF-DTA。该模型在特征提取阶段创新性地引入了超图表示：基于树分解算法构建药物分子超图，并通过跳跃连接融合超图神经网络与图神经网络提取的子结构和全局特征，其中超边能够高效表征官能团及其他关键化学特征；对于蛋白质特征提取，基于 ESM 模型预测的残基接触图构建加权图，并使用多层图神经网络捕获空间依赖关系。在预测阶段，设计了一种双向多头交叉注意力机制，从原子和氨基酸的双重视角对分子间相互作用进行建模，并通过注意力融合具有相关信息的跨模态特征。在 Davis 和 KIBA 等基准数据集上的实验表明，HCAF-DTA 在所有三项性能评估指标上均优于 SOTA，MSE 指标分别达到 0.198 和 0.122，较最优基线提升了高达 4%。
引用
@article{arxiv.2504.02014,
title = {HCAF-DTA: drug-target binding affinity prediction with cross-attention fused hypergraph neural networks},
author = {Jiannuo Li and Lan Yao},
journal= {arXiv preprint arXiv:2504.02014},
year = {2025}
}